【技術實現步驟摘要】
本專利技術涉及數據中心管理，特別是數據中心聯合優化及資源預測與調整。
技術介紹
1、隨著信息技術的迅速發展，數據中心作為信息存儲、處理和傳輸的核心設施，其運營管理效率至關重要。傳統數據中心在負載管理上多采用靜態或手動配置的方式，這在實際應用中存在明顯的局限性。一方面，數據中心的負載通常具有明顯的時序特性，如何利用歷史數據預測未來的負載變化是提高數據中心管理效率的重要手段。另一方面，當前的優化策略大多依賴簡單的負載均衡或定期擴容策略，難以在保證性能的同時控制能源消耗和資源浪費。
2、現有的優化方法中，基于時間序列的預測模型和智能優化算法在數據中心負載預測與資源優化方面具有較高的應用價值。然而，目前這些技術在數據中心的實際應用中仍存在以下問題：大部分現有模型僅依賴簡單的時序分析或傳統預測算法難以適應數據中心復雜的負載變化、傳統優化算法往往忽略了數據中心內各層級資源的關聯性缺乏整體優化的策略，導致資源分配效率低，無法有效降低系統能耗、在負載激增或資源緊缺時，現有方法響應速度不足，難以滿足數據中心動態調整的實際需求。
3、為了解決上述問題，本專利技術提出了一種基于灰色模型(gm)和鳥群算法的聯合優化方法，通過負載歷史數據建立時間序列，并結合gm模型的預測能力和鳥群算法的參數優化能力，實現了數據中心負載的高精度預測和資源的動態優化配置。
技術實現思路
1、本專利技術實施例所要解決的技術問題在于，提供一種數據中心聯合優化方法和系統，考慮了數據中心負載的時間序列特性與資源
2、為了解決上述技術問題，本專利技術實施例提供了一種數據中心聯合優化方法及系統，方法包括以下步驟：
3、s100獲取數據中心歷史周期內的負載情況，形成數據中心負載數據集，通過數據中心負載數據集獲得時間序列，負載數據集包括但不限于處理器負載、內存負載、虛擬機數量、磁盤負載、網絡流量，將數據中心負載數據集進行整理，設定固定時間間隔，整理歷史周期內的每個固定時間間隔的數據，形成時間序列，時間序列為x＝{x1,x2,x3,...,xn}，其中n表示第n段時間間隔的數據。
4、s200建立gm模型，gm模型包括gm模型差分方程、gm模型預測方程，時間序列通過gm模型獲得gm模型差分方程，gm模型差分方程包括調整參數，建立gm模型包括：
5、s201標記時間序列為原始數列，記為：
6、x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
7、s202根據原始數列，獲得一次累加數列，公式為：
8、
9、這表示，對于每個時刻i，我們將原始數列中x(0)(1),x(0)(2),…,x(0)(i)進行累加，得到新的數列x(1)，記為一次累加數列；
10、s203獲取一次累加數列的灰導數，公式為：
11、dx(1)(i)＝x(1)(i)―x(1)(i―1)i＝2,3,…,n
12、其中，dx(1)(i)表示第i時刻的灰導數，x(1)(i)和x(1)(i―1)分別表示第i和第i-1時刻的一次累加數列的值；
13、s204構造均值生成數列：
14、
15、z(1)(i)是均值生成數列第i個元素，x(1)(i)和x(1)(i―1)是一次累加數列x(1)中第i和第i-1的值；
16、s205使用均值生成數列與灰導數建立gm模型差分方程：
17、dx(1)(i)+a·z(1)(i)＝b
18、其中dx(1)(i)是灰導數、z(1)(i)是均值生成數列、a和b是調整參數。
19、s300使用鳥群算法獲得調整參數的最優值，具體包括：
20、s301初始化鳥群，每個粒子代表可能的調整參數a和b，初始化時粒子每個維度都會隨機生成一定的值作為搜索起點，每個粒子都有一個位置和速度，速度即是粒子更新位置的速率；
21、s302構建關于速度公式：
22、
23、構建關于位置公式：
24、
25、其中，是粒子在時刻t+1的速度，是粒子在時刻t+1的位置，w是慣性權重，c1和c2是學習因子，r1和r2是介于[0，
26、1]之間的隨機數，是粒子在個體最優的位置，是全局最優位置。
27、步驟s303還包括：
28、s3031設置貝葉斯網絡中的物理層和服務層，物理層包括但不限物理機能耗、物理機內存負載率、物理機cpu資源負載率，服務層包括但不限于節點總負載、資源需求、故障率、帶寬限制；
29、s3032建立多層貝葉斯網絡，服務層貝葉斯網絡s＝{x，y，p}，其中x表示節點集合，y表示弧集合，p表示條件概率集合，物理層貝葉斯網絡b，物理層貝葉斯網絡b僅包括節點集合，建立物理層貝葉斯網絡b中的節點與服務層貝葉斯網絡s中的x中的節點的映射關系，映射關系集合為t，多層貝葉斯網絡表示為{s,b,t}
30、s3033使用物理層數據預測獲得第一概率置信度m1，學習因子c1＝3*m1，使用服務層數據預測獲得第二概率置信度m2，學習因子c2＝3*m2。
31、s400將最優值帶入gm模型中的gm模型預測方程，獲得預測數列，使用學習因子c1和c2通過鳥群算法中的速度和位置公式輸出ab最優組合，通過gm模型進行預測與評估，預測公式為：
32、
33、通過預測公式獲得預測數列x(1)。
34、s500根據預測序列執行數據中心優化策略，其中具體機制為rmse值小于30％的目標值根據數列x(1)調整數據中心的優化執行策略；
35、優化執行策略包括但不限于擴容物理機，限制網絡流量，調整虛擬機等。
36、s600若rmse值小于30％的目標值根據評估結果調整貝葉斯模型。
37、另一方面，本專利技術的實施例提供了一種數據中心聯合優化系統，數據中心聯合優化系統包括：數據中心負載數據集獲取模塊、gm模型模塊、鳥群算法模塊、預測數量獲取模塊、優化策略執行模塊，數據中心獲取模塊執行：獲取數據中心歷史周期內的負載情況，形成數據中心負載數據集，通過數據中心負載數據集獲得時間序列；gm模型模塊執行：建立gm模型，gm模型包括gm模型差分方程、gm模型預測方程，時間序列通過gm模型獲得gm模型差分方程，gm模型差分方程包括調整參數：鳥群算法模塊執行：使用鳥群算法獲得調整參數的最優值；預測數量獲取模塊執行：將最優值帶入gm模型中的gm模型預測方程，獲得預測數列；優化策略執行模塊執行：根據預測序列執行數據中心優化策略。
38、實施本專利技術實施例，具有如下有益效果：
39、提高負載預測精度：通過基于灰色模型(gm)的時間序列分析方法，能夠更準確地預測數據中心的負載變化，從而有效提升預測精度，滿本文檔來自技高網...
【技術保護點】
1.一種數據中心聯合優化方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種數據中心聯合優化方法，其特征在于，在所述步驟S100中，所述負載數據集包括但不限于處理器負載、內存負載、虛擬機數量、磁盤負載、網絡流量，將所述數據中心負載數據集進行整理，設定固定時間間隔，整理歷史周期內的每個固定時間間隔的數據，形成所述時間序列，所述時間序列為X＝{x1,x2,x3,...,xn}，其中n表示第n段時間間隔的數據。
3.根據權利要求1所述的一種數據中心聯合優化方法，其特征在于，所述S200中的所述建立GM模型包括：
4.根據權利要求3所述的一種數據中心聯合優化方法，其特征在于，所述步驟S300具體包括：
5.根據權利要求4所述的一種數據中心聯合優化方法，其特征在于，還包括步驟S303，所述步驟S303還包括：
6.根據權利要求5所述的一種數據中心聯合優化方法，其特征在于，所述步驟S400具體包括：
7.根據權利要求3所述的一種數據中心聯合優化的方法，其特征在于，還包括步驟S410：
8.根據權利要
9.根據權利要求7所述的一種數據中心聯合優化的方法，其特征在于，還包括步驟S600：
10.一種數據中心聯合優化系統，所述數據中心聯合優化系統包括：數據中心負載數據集獲取模塊、GM模型模塊、鳥群算法模塊、預測數量獲取模塊、優化策略執行模塊，所述數據中心獲取模塊執行：獲取數據中心歷史周期內的負載情況，形成數據中心負載數據集，通過所述數據中心負載數據集獲得時間序列；所述GM模型模塊執行：建立GM模型，所述GM模型包括GM模型差分方程、GM模型預測方程，所述時間序列通過GM模型獲得所述GM模型差分方程，所述GM模型差分方程包括調整參數：所述鳥群算法模塊執行：使用鳥群算法獲得所述調整參數的最優值；所述預測數量獲取模塊執行：將所述最優值帶入GM模型中的所述GM模型預測方程，獲得預測數列；所述優化策略執行模塊執行：根據所述預測序列執行數據中心優化策略。
...【技術特征摘要】
1.一種數據中心聯合優化方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種數據中心聯合優化方法，其特征在于，在所述步驟s100中，所述負載數據集包括但不限于處理器負載、內存負載、虛擬機數量、磁盤負載、網絡流量，將所述數據中心負載數據集進行整理，設定固定時間間隔，整理歷史周期內的每個固定時間間隔的數據，形成所述時間序列，所述時間序列為x＝{x1,x2,x3,...,xn}，其中n表示第n段時間間隔的數據。
3.根據權利要求1所述的一種數據中心聯合優化方法，其特征在于，所述s200中的所述建立gm模型包括：
4.根據權利要求3所述的一種數據中心聯合優化方法，其特征在于，所述步驟s300具體包括：
5.根據權利要求4所述的一種數據中心聯合優化方法，其特征在于，還包括步驟s303，所述步驟s303還包括：
6.根據權利要求5所述的一種數據中心聯合優化方法，其特征在于，所述步驟s400具體包括：
7.根據權利要求3所述的一種數據中心聯...
【專利技術屬性】
技術研發人員：潘建東，林峰，陳紅英，洪華兵，
申請(專利權)人：中科藍天科技發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。